Apprendre Travail avec les graphiques linéaires et à barres

Les graphiques en ligne et en barres sont deux des méthodes les plus courantes et efficaces pour visualiser des données. Les graphiques en ligne sont généralement utilisés pour afficher des tendances au fil du temps, ce qui les rend idéaux pour les séries chronologiques telles que les prix des actions, les variations de température ou le trafic d'un site web. Chaque point sur un graphique en ligne représente une valeur de donnée à un moment précis, et les points sont reliés par des lignes pour montrer l'évolution des valeurs. Les graphiques en barres, quant à eux, servent à comparer des quantités entre différentes catégories. Ils sont particulièrement utiles pour mettre en évidence les différences ou similitudes entre des groupes, comme les chiffres de ventes de différents produits ou les populations de différents pays. La principale différence entre ces types de graphiques est que les graphiques en ligne mettent l'accent sur la continuité des données, tandis que les graphiques en barres se concentrent sur des comparaisons discrètes.


              123456789101112131415161718
            
import pandas as pd
import plotly.express as px
from IPython.display import display, HTML

# Create a simple time series dataset
data = {
    "Date": ["2024-06-01", "2024-06-02", "2024-06-03", "2024-06-04", "2024-06-05"],
    "Visitors": [120, 135, 150, 170, 160]
}
df = pd.DataFrame(data)

# Create a line chart
fig = px.line(df, x="Date", y="Visitors", title="Website Visitors Over Time",
              markers=True, line_shape="linear")
fig.update_traces(line=dict(dash="dash", color="blue"), marker=dict(size=10, symbol="circle"))

html = fig.to_html(full_html=False, include_plotlyjs="cdn")
display(HTML(html))

Dans le code du graphique en ligne ci-dessus, un DataFrame pandas est défini, contenant des dates et le nombre de visiteurs du site web pour chaque date. La fonction px.line est utilisée pour tracer les données, où l'argument x spécifie l'axe horizontal (dates) et l'argument y spécifie l'axe vertical (nombre de visiteurs). L'ajout de markers=True affiche un marqueur à chaque point de donnée, ce qui facilite la visualisation des valeurs individuelles. Le paramètre line_shape="linear" garantit que la ligne relie directement chaque point. L'apparence peut être personnalisée davantage avec update_traces, par exemple en définissant le style de la ligne en pointillés et en modifiant la taille et la forme des marqueurs. Cette flexibilité permet de mettre en valeur les tendances et certains points de données spécifiques dans la visualisation.


              123456789101112131415161718
            
import pandas as pd
import plotly.express as px
from IPython.display import display, HTML

# Create a sample DataFrame for grouped bar chart
data = {
    "Product": ["A", "A", "B", "B", "C", "C"],
    "Region": ["North", "South", "North", "South", "North", "South"],
    "Sales": [100, 120, 90, 110, 80, 105]
}
df = pd.DataFrame(data)

# Create a grouped bar chart
fig = px.bar(df, x="Product", y="Sales", color="Region", barmode="group",
             title="Sales by Product and Region")

html = fig.to_html(full_html=False, include_plotlyjs="cdn")
display(HTML(html))

Lorsqu'il s'agit de choisir entre un graphique linéaire et un graphique à barres, il convient de prendre en compte la nature de vos données ainsi que le message que vous souhaitez transmettre. Les graphiques linéaires conviennent particulièrement pour illustrer les évolutions et tendances sur un intervalle continu, tel que le temps, où la relation entre les points est significative. Ils sont recommandés pour mettre en avant la progression ou le déroulement des données. Les graphiques à barres sont plus adaptés pour comparer des quantités entre différentes catégories distinctes, notamment lorsque l'objectif est de souligner les écarts entre groupes. Dans les exemples ci-dessus, le graphique linéaire met efficacement en évidence l'évolution du nombre de visiteurs d'un site web sur plusieurs jours, tandis que le graphique à barres groupées facilite la comparaison des ventes de différents produits dans deux régions. Le choix du type de graphique approprié garantit une communication claire et précise de vos données.

Tout était clair ?

Merci pour vos commentaires !

Section 1. Chapitre 4

Demandez à l'IA

Posez n'importe quelle question ou essayez l'une des questions suggérées pour commencer notre discussion

Glissez pour afficher le menu


              123456789101112131415161718
            
import pandas as pd
import plotly.express as px
from IPython.display import display, HTML

# Create a simple time series dataset
data = {
    "Date": ["2024-06-01", "2024-06-02", "2024-06-03", "2024-06-04", "2024-06-05"],
    "Visitors": [120, 135, 150, 170, 160]
}
df = pd.DataFrame(data)

# Create a line chart
fig = px.line(df, x="Date", y="Visitors", title="Website Visitors Over Time",
              markers=True, line_shape="linear")
fig.update_traces(line=dict(dash="dash", color="blue"), marker=dict(size=10, symbol="circle"))

html = fig.to_html(full_html=False, include_plotlyjs="cdn")
display(HTML(html))


              123456789101112131415161718
            
import pandas as pd
import plotly.express as px
from IPython.display import display, HTML

# Create a sample DataFrame for grouped bar chart
data = {
    "Product": ["A", "A", "B", "B", "C", "C"],
    "Region": ["North", "South", "North", "South", "North", "South"],
    "Sales": [100, 120, 90, 110, 80, 105]
}
df = pd.DataFrame(data)

# Create a grouped bar chart
fig = px.bar(df, x="Product", y="Sales", color="Region", barmode="group",
             title="Sales by Product and Region")

html = fig.to_html(full_html=False, include_plotlyjs="cdn")
display(HTML(html))

Tout était clair ?

Merci pour vos commentaires !

Section 1. Chapitre 4